PaGA_12_Based_26类体裁德语文本分类语料库

数据集概述

本数据集为2012年帕德博恩体裁分析语料库（PaGA-12），包含1639个HTML文档，覆盖26种文本体裁。所有文档采集于2009年10月18日至11月20日，每个文档手动标注唯一体裁，每种体裁至少包含50个文档。文档均为德语文本，已移除框架集，以MySQL数据库转储形式交付。

文件详解

• 文件名称：corpus-paga-12.zip
• 文件格式：ZIP
• 字段映射介绍：压缩包内包含MySQL数据库转储文件及README文件。数据库结构记录在README中，核心内容为1639个德语HTML文档，每个文档关联手动标注的26种体裁之一，无训练/测试、数据/标签或原始/处理数据的拆分。

适用场景

• 文本体裁分类研究：用于训练和评估自然语言处理模型对德语文本体裁的自动分类能力。
• 德语文本特征分析：分析不同体裁德语文本的语言特征、结构差异及风格规律。
• 语料库构建方法研究：参考该语料库的手动标注流程和文档筛选标准，优化其他领域语料库的构建策略。
• 自然语言处理模型训练：作为多类别文本分类任务的基准数据集，验证模型性能。